AI拉呱，专注于人工智领域与AI工具、前沿技术解读。AI技术书单+提示词+优秀项目（含源码）+教程 ==网盘链接：https://pan.quark.cn/s/e4ada86e0476
如今，大多数代码的编写都有AI辅助。问题不在于我们在开发过程中是否会使用大型语言模型（LLMs），而在于如何使用它们。在三个月的时间里，我利用大型语言模型在前端、后端和AI管道中构建实际功能，发现极端的方式是行不通的：完全手动编写代码速度太慢，而当代码库扩大时，纯粹的“氛围编程”（vibe coding）会崩溃。目前最实用的工作流程是混合式的：由人类定义架构，AI辅助实现，最后由人类监督并完善结果。

如何在工程团队中利用大型语言模型编写可维护代码

在使用大型语言模型编写了大量代码后，我决定采用一种中间路线的工作流程，介于完全手动编写代码和纯粹“氛围编程”之间，大概处于38%的位置。以下是一些能帮助我为长期项目编写高质量代码的方法：

• 如果你计划长期使用某些新工具，就要学习这些新工具和相关架构，并在自己完全不熟悉的领域亲自练习编写代码
• 当使用较新的框架时，多进行手动编码，直到自己对架构和设计有了清晰的理解后，再转而使用AI辅助
• 与智能体（agent）协作时，要进行细致的规划，并采用规范驱动开发（spec-driven development）的方式
• 让AI生成测试并自行测试功能，但之后仍需进行手动测试。有时候AI过于“想帮上忙”，为了满足你实现某个功能的要求，它甚至会删除那些难以覆盖到的测试用例
• 每次只使用一个智能体，并密切关注它的工作情况。这样一来，如果智能体出现偏离方向的情况，你就能尽早中断它的工作
• 对待AI要像对待初级开发人员一样。你需要自己清楚要实现什么目标以及如何实现，然后让AI去处理那些小型且描述清晰的功能模块
• 对AI生成的代码进行精简和简化，尤其是当你知道其他开发人员还会继续在此基础上工作时

我认为，我们永远不会完全信任大型语言模型，将所有工作都交给它们，从而完全失去对代码库中情况的掌控。正因为如此，我相信升级代码库最实用的方法是与AI协作，并且能够理解AI所做的每一项工作。也正因为如此，代码的未来发展方向介于极端的“氛围编程”和完全手动编程之间。

何时使用极端的“氛围编程”

“氛围编程”仍然有其用武之地，在以下场景中，不进行任何代码编辑就使用“氛围编程”是有效的：

• 快速搭建原型以传达你的想法
• 搭建非常简单的项目，例如登录页面
• 在已有的结构化代码库中实现定义明确、规模较小且常规的更改（比如在前端代码库中添加第50个组件，或者在后端应用中实现第5个路由）
• 编写一次性的脚本和模块，且这些脚本和模块不会被代码库中的其他部分调用

完整内容

开始“氛围编程”之前

众所周知，只需一个提示词（prompt），你就能得到出色的结果并完成原型搭建。但是，如果沿着这条路走下去，短短几个小时后，你就会陷入困境——你会发现自己面对的是一个包含2000多行代码的文件，由于这个文件中的上下文和逻辑量过大，没有任何大型语言模型能帮你在这个项目中再添加任何功能了。

极端的“氛围编程”往往会让你以100倍的速度遇到软件开发周期中常见的问题😉。

如果你使用自己熟悉的语言和框架进行“氛围编程”，还能很容易地发现问题所在，并引导大型语言模型重新编写代码。但如果在过去几个月里你一直采用“氛围编程”的方式，可能会逐渐忘记如何手动编写代码，也会忘记哪种技术栈和方法才是最合适的😅。

因此，我可以肯定地说，与大型语言模型协作的首要原则是掌握基础知识并自行搭建架构。即使大型语言模型能够生成良好的架构模式，你仍然需要理解这些模式；否则，你将完全不清楚代码库中发生了什么。而当你无法验证AI输出的结果时，就无法对系统进行升级。

目前，像Replit这样的在线编辑器正试图通过添加多智能体系统来解决这个问题——一个智能体负责编写代码，另一个架构师智能体负责审查代码。但这些多智能体系统还处于初级阶段，它们生成的结果仍然不可靠。

如果你确实想从零开始用大型语言模型编写代码，且现有代码库中没有可参考的示例，那么最好的办法是将“氛围编程”生成的部分与代码的其他部分明确区分开，并确保不会有外部模块从这个“氛围编程”生成的模块中导入内容。所以，第二条原则就是将“氛围编程”的部分与其他代码区分开。

“氛围编程”的主要挑战之一是调试大型语言模型编写的代码，尤其是当这些代码是由其他人通过“氛围编程”生成的时候。我认为出现这种情况的原因是，大型语言模型是基于互联网上的大量数据进行训练的，对于普通的提示词，它生成的结果也是互联网上的平均水平。但这个平均水平的结果往往比你实际需要的更冗长，而且可能已经过时。

因此，第三条原则是不要在冷门语言或新框架中使用“氛围编程”。大型语言模型在某个领域的训练数据越少，生成的结果可靠性就越低。我在使用Cursor智能体编程时，见过最糟糕的情况是用它编写使用LangChain技术栈的代码。LangChain问世才几年时间，发展速度非常快，最近已经经历了三次重大更新。用AI生成的LangChain相关代码不仅冗长程度是实际需要的2到10倍，而且往往根本无法运行。

当然，也有一些方法可以部分解决这个问题，比如对最新的文档进行索引，或者使用Context7 MCP工具。

但对我而言，我意识到如果要在一个新的环境中开展大量工作，在切换到智能体模式之前，仍然需要阅读相关文档并手动编写一些代码。

工作流程

我认识的大多数开发人员都是这样使用大型语言模型的：

你仍然需要进行手动验证，但在此之前得到的结果会好得多。

这个循环的效果相当不错。不过，在这个流程中存在一个问题：有时你会发现AI生成的结果并不理想，这时要么需要进行大量手动修改，要么就得完全重写。要应对这个问题，你还需要遵循以下几条额外的原则：

提供尽可能多的相关上下文

不妨站在AI的角度思考，从AI的视角看待你交给它的任务。如果你是AI，仅凭提供的上下文，能完成这项任务吗？

有一些方法可以改进你的工作流程，比如在任务跟踪工具或Notion数据库中使用MCP（可能指某种项目管理或上下文管理工具）。但我在这方面的尝试收效甚微，因为使用10个以上的工具会让上下文变得臃肿，AI也难以正确使用这些工具。而且这些MCP工具还处于早期阶段，即便只是从Jira（项目管理工具）工单中获取信息，我也常常需要非常明确地让AI去查询某个特定工单，运气好的话，尝试三次才能成功🙃。

对我来说，有效的方法是在第一个提示词中使用元提示（meta-prompting），具体操作如下：

1. 告诉AI：“我想实现一个新功能，这里有很多关于这个功能的非结构化上下文信息。请生成一个能帮助我实现这个功能的提示词。”
2. 找出与你要处理的任务相关的所有上下文信息（包括任务的非结构化描述、文档、相关数据、通话记录等），并将每个上下文片段用标签包裹起来
3. 对生成的文本进行优化，满意后就可以将其作为在集成开发环境（IDE）中使用的初始提示词

处理小型功能模块

在Nebius学院（Nebius.Academy）的指导工作中，我设计了一个挑战，用于练习AI辅助编程。我提供了一个吃豆人（PacMan）游戏的代码仓库，并要求学生对这个游戏进行一些修改。

你可以通过这里查看这个挑战，并亲自尝试一下。

简单的挑战往往无需查看代码库就能完成。

中等难度的挑战则更棘手一些——你需要将任务分解，一步一步完成。但如果试图一次性完成，AI虽然会很“乐意”生成一些内容，但那些内容往往毫无意义。

这是Replit AI智能体完成中等难度挑战的情况——有些功能能正常运行，但“外星人”的行为却很反常。

而高难度的挑战在工作坊中从未有人能完成，这类挑战需要对代码库有更深入的理解，并且需要进行非常细致的规划。

像对待初级/中级开发人员一样对待AI

在确认AI生成的计划合理之前，不要让它开始执行任务。

小贴士：目前已经出现了一些有助于实现这一点的模式和库，比如.cursorrules、Kiros规划阶段等。其中，OpenSpec是我使用后取得了不错效果的工具，它有助于生成项目描述，而且你要开发的每个功能都能遵循清晰的流程。

OpenSpec模式下与AI协作进行修改的流程

不过，即便使用了像OpenSpec这样的工作流程，我在使用过程中还是会遇到一些不确定的问题——如果在规划阶段遗漏了某些内容该怎么办？目前，大家似乎更倾向于在规范中补充信息，然后重新生成代码，但这种方法可能会耗费大量时间。还有一种更实用的方法是通过额外的指令引导AI，但之后你还需要单独修改规范。

此外，当你积累了大量规范后，可能需要通过索引或检索增强生成（RAG）技术来高效管理这些规范。更糟糕的是，如果规范与代码不同步，那么这些规范很可能完全派不上用场。或许我们需要调整工作流程，让每一项任务都通过规范来生成——这样既能提供最新的文档，也能为AI提供大量相关的上下文。但这需要所有开发人员都遵循相同的规范驱动开发流程，而我个人尚未在团队中尝试过这种方式。

关注AI的工作，在其偏离方向时及时中断

我曾与Anthropic公司的一位销售人员交流，他提到Anthropic的工程师能同时运行6个智能体。我也尝试过这样做，但即便同时运行2到3个智能体，那种感觉也像是最糟糕的多任务处理。因此，目前我认为，即使在规划阶段做得很充分，也应该密切关注智能体的工作，并与它协同合作。这就好比在开发阶段发现bug，而非在代码审查阶段才发现bug——如果在AI生成代码出现问题时及时阻止它，就能更快得到理想的结果。

未来展望

在国际象棋领域，曾有一个时期，人类与AI协作的实力强于单独的人类或单独的AI。但这一时期在大约十年后就结束了，AI凭借自身实力成为了最强者。

如今，编程领域也正处于类似的阶段——一个懂得如何与AI协作的优秀程序员，其效率是单独的程序员或单独的AI的10倍。

展望未来，我愿意相信，与国际象棋领域的情况不同，我们总能找到与AI协作并发挥自身作用的方式。让我们从现在开始，实践这种协作方法吧。

关注“AI拉呱”，评论+转发此文即可私信获取一份教程+一份学习书单！